#импорт необходимых библиотек и установка инструментов

!pip install missingno
import missingno as msno

!pip install folium

import pandas as pd

import matplotlib.pyplot as plt

import plotly.express as px
import plotly.graph_objs as go

import seaborn as sns

import json

import numpy as np

import folium
from folium import Map, Marker, Choropleth
from folium.plugins import MarkerCluster

#настройка ширины отображаемых колонок
pd.set_option('max_colwidth', 120)

#путь для сохранения изображений для презентации
pics_path = 'pics_moscow_catering_market_research\\'

#выбор цветового стиля и палитры по умолчанию
plt.style.use('ggplot')
sns.set_palette('tab20') 

#отключение текстовых предупреждений
import warnings
warnings.filterwarnings("ignore")

Requirement already satisfied: missingno in c:\programdata\anaconda3\lib\site-packages (0.5.2)
Requirement already satisfied: numpy in c:\programdata\anaconda3\lib\site-packages (from missingno) (1.26.4)
Requirement already satisfied: matplotlib in c:\programdata\anaconda3\lib\site-packages (from missingno) (3.8.3)
Requirement already satisfied: scipy in c:\programdata\anaconda3\lib\site-packages (from missingno) (1.13.0)
Requirement already satisfied: seaborn in c:\programdata\anaconda3\lib\site-packages (from missingno) (0.13.2)
Requirement already satisfied: contourpy>=1.0.1 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (1.2.0)
Requirement already satisfied: cycler>=0.10 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (4.50.0)
Requirement already satisfied: kiwisolver>=1.3.1 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (1.4.5)
Requirement already satisfied: packaging>=20.0 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (23.1)
Requirement already satisfied: pillow>=8 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (10.2.0)
Requirement already satisfied: pyparsing>=2.3.1 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (3.1.2)
Requirement already satisfied: python-dateutil>=2.7 in c:\programdata\anaconda3\lib\site-packages (from matplotlib->missingno) (2.8.2)
Requirement already satisfied: pandas>=1.2 in c:\programdata\anaconda3\lib\site-packages (from seaborn->missingno) (2.1.4)
Requirement already satisfied: pytz>=2020.1 in c:\programdata\anaconda3\lib\site-packages (from pandas>=1.2->seaborn->missingno) (2023.3.post1)
Requirement already satisfied: tzdata>=2022.1 in c:\programdata\anaconda3\lib\site-packages (from pandas>=1.2->seaborn->missingno) (2023.3)
Requirement already satisfied: six>=1.5 in c:\programdata\anaconda3\lib\site-packages (from python-dateutil>=2.7->matplotlib->missingno) (1.16.0)
Requirement already satisfied: folium in c:\programdata\anaconda3\lib\site-packages (0.16.0)
Requirement already satisfied: branca>=0.6.0 in c:\programdata\anaconda3\lib\site-packages (from folium) (0.7.1)
Requirement already satisfied: jinja2>=2.9 in c:\programdata\anaconda3\lib\site-packages (from folium) (3.1.3)
Requirement already satisfied: numpy in c:\programdata\anaconda3\lib\site-packages (from folium) (1.26.4)
Requirement already satisfied: requests in c:\programdata\anaconda3\lib\site-packages (from folium) (2.31.0)
Requirement already satisfied: xyzservices in c:\programdata\anaconda3\lib\site-packages (from folium) (2022.9.0)
Requirement already satisfied: MarkupSafe>=2.0 in c:\programdata\anaconda3\lib\site-packages (from jinja2>=2.9->folium) (2.1.3)
Requirement already satisfied: charset-normalizer<4,>=2 in c:\programdata\anaconda3\lib\site-packages (from requests->folium) (2.0.4)
Requirement already satisfied: idna<4,>=2.5 in c:\programdata\anaconda3\lib\site-packages (from requests->folium) (3.4)
Requirement already satisfied: urllib3<3,>=1.21.1 in c:\programdata\anaconda3\lib\site-packages (from requests->folium) (2.0.7)
Requirement already satisfied: certifi>=2017.4.17 in c:\programdata\anaconda3\lib\site-packages (from requests->folium) (2024.2.2)

#загрузка данных
data = pd.read_csv('moscow_places.csv')

#основная информация о датафрейме
data.info()

#вывод первых строк датафрейма
data.head(20)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

#функция для вычисления первого и второго квартиля и межквартильного размаха
def q_iqr(series):
    try:
        #первый квартиль
        q1 = np.percentile(
        series,
        25)

        #третий квартиль
        q3 = np.percentile(
        series,
        75)

        #межквартильный размах
        iqr = q3 - q1        

        return [q1, q3, iqr]
    except:
        return 'Ошибка работы функции'

#функция для вывода гистограммы, диаграммы размаха и основных характеристик столбца
def description(df, col, bins=100):
    try:
        plt.figure(figsize=(15,10))

        #гистограмма распределения
        ax1 = plt.subplot(2,1, 1)
        ax1 = sns.histplot(df[col], bins=bins)
        ax1.set_title('Гистограмма значений столбца')
        ax1.set_xlabel('Значения')
        ax1.set_ylabel('Частота')

        #диаграмма размаха
        ax2 = plt.subplot(2,1, 2, sharex=ax1)
        ax2 = sns.violinplot(x=col, data=df)
        ax2.set_title('Распределение значений и диаграмма размаха')
        ax2.set_xlabel('Значения')
        ax2.set_ylabel('Частота')

        plt.show()

        #основные характеристики
        display('Основные характеристики столбца', df[col].describe())
    except:
        display('Ошибка работы функции')

#функция для визуализации категориальных данных
def cat_visualise(
    data, 
    grouper, 
    grouper_name, 
    aggble_val, 
    aggfunc, 
    aggfunc_name):
    try:
        #сводная таблица
        pivot = (
        data.groupby(grouper, as_index=False)[aggble_val]
        .agg(aggfunc)
        .sort_values(by=aggble_val, ascending=False)
        )

        #диаграмма количества объектов общественного питания по категориям
        plt.figure(figsize=(15,5))

        ax = sns.barplot(
            pivot,
            x=aggble_val,
            y=grouper
    
        )
        ax.bar_label(ax.containers[0], fontsize=12)
        ax.set_title(f'{aggfunc_name} заведений, разбивка по: {grouper_name}')
        ax.set_xlabel(aggfunc_name)
        ax.set_ylabel(grouper_name);
        
        #сохранение изображения
        plt_name = pics_path + aggfunc_name + ' заведений, разбивка по ' + grouper_name + '.png'
        plt.savefig(plt_name)
        
        plt.show();

        #сводная таблица для круговой диаграммы
        pivot = pivot.sort_values(by=grouper)
        
        #группировка секторов графика с малыми долями
        low_share_groupers = []
        for gr in pivot[grouper]:
            if ((
                pivot[pivot[grouper] == gr][aggble_val]
                .iloc[0]
                ) / pivot[aggble_val].sum()) < 0.02:
                low_share_groupers.append(gr)

        if len(low_share_groupers) > 1:
            sum = (
                pivot[pivot[grouper]
                .isin(low_share_groupers)][aggble_val]
                .sum()
            )
            pivot.loc[len(pivot.index)] = ['остальные', sum]
            pivot = pivot[~pivot[grouper].isin(low_share_groupers)]
        
        #диаграмма долей объектов общественного питания по категориям
        plt.figure(figsize=(8,8))

        ax = plt.pie(    
            pivot[aggble_val],
            labels=pivot[grouper],
            autopct='%0.1f%%',
        )
        plt.title(f'{aggfunc_name} заведений. Соотношение по: {grouper_name}')

        #сохранение изображения
        plt_name = pics_path + aggfunc_name + '. Соотношение по ' + grouper_name + '.png'
        plt.savefig(
            plt_name,
            bbox_inches= 'tight'
        )
        
        plt.show();        

    except:
        display('Ошибка работы функции')

#функция сравнения по категориальному признаку
def compare_cat(df, df_filt, col, threshold=20, aggfunc='count'):
    try:
        #группировка основного датафрейма по признаку и доли заведений по признаку
        pivot_full = (
            df
            .groupby(col, as_index=False)['name']
            .agg(aggfunc)
        )
        pivot_full['rate_full'] = (
            pivot_full['name'] / pivot_full['name'].sum()
        )
        pivot_full.columns = [col, aggfunc + '_full', 'rate_full']
        
        #группировка отфильтрованного датафрейма по признаку и доли заведений по признаку
        pivot_filt = (
            df_filt
            .groupby(col, as_index=False)['name']
            .agg(aggfunc)
        )
        pivot_filt['rate_filt'] = (
            pivot_filt['name'] / pivot_filt['name'].sum()
        )
        pivot_filt.columns = [col, aggfunc + '_filtered', 'rate_filt']

        #объединение 
        total = pivot_full.merge(
            pivot_filt, 
            left_on=col, 
            right_on=col, 
            how='left'
        )

        #отклонение
        total['deviation_abs'] = total['rate_full'] - total['rate_filt']

        #отношение долей по признаку отфильтрованного и исходного датафреймов
        total['deviation_percent'] = round(
            (total['rate_filt'] / total['rate_full'] - 1) * 100,
            1
        )

        #зададим порог значимого отклонения 
        total = total.query(' abs(deviation_percent) > @threshold')
        
        return total
        
    except:
        print('Ошибка работы функции')

#функция сравнения по количественному признаку
def compare_numeric(df, df_filt, col):
    try:
        #удаление пропусков/заглушек
        df = df[df[col] != -1]
        df_filt = df_filt[df_filt[col] != -1]

        #коэффициент корелляции
        corr = df[col].corr(df_filt[col])

        #отклонение среднего значения
        full_mean = df[col].mean()
        filt_mean = df_filt[col].mean()
        deviation = filt_mean / full_mean - 1

        return (
            round(corr, 4), 
            round(deviation, 4), 
            round(full_mean,4), 
            round(filt_mean, 4)
        )

    except:
        print('Ошибка работы функции')

for col in ['name', 'category', 'address', 'district']:
    display(
        f'Количество уникальных значений столбца {col}: {data[col].nunique()}',
    )

'Количество уникальных значений столбца name: 5614'

'Количество уникальных значений столбца category: 8'

'Количество уникальных значений столбца address: 5753'

'Количество уникальных значений столбца district: 9'

display(
    f'значения столбца category: {data["category"].unique()}',

    f'значения столбца district: {data["district"].unique()}'
)

"значения столбца category: ['кафе' 'ресторан' 'кофейня' 'пиццерия' 'бар,паб' 'быстрое питание'\n 'булочная' 'столовая']"

"значения столбца district: ['Северный административный округ'\n 'Северо-Восточный административный округ'\n 'Северо-Западный административный округ'\n 'Западный административный округ' 'Центральный административный округ'\n 'Восточный административный округ' 'Юго-Восточный административный округ'\n 'Южный административный округ' 'Юго-Западный административный округ']"

#замена ё на е
data['name'] = data['name'].str.replace('ё', 'е')
data['address'] = data['address'].str.replace('ё', 'е')

#копия датафрейма
temp = data.copy()

#перевод в нижний регистр
temp['name'] = temp['name'].str.lower()
temp['address'] = temp['address'].str.lower()

#дубликаты строк в копии
temp.duplicated().sum()

0

#строки, у которых совпадают имя, адрес
temp[temp[['name','address']].duplicated(keep=False)]

temp = temp.drop(
    index=temp[temp[['name','address']]
    .duplicated()]
    .index)

data = data[data.index.isin(temp.index)]

#создание списка названий, которые отличаются только регистром одного 
    #или нескольких символов - в нижнем регистре
list = (
    pd.Series(data['name'].unique())
        .str.lower()
        .value_counts()
)
list = list.loc[list > 1]
list

чайхана бишкек сити    2
чудо печка             2
на углях               2
шашлык хаус            2
кофеin                 2
                      ..
abc coffee roasters    2
vabene                 2
вкусвилл, кафе         2
домино'с пицца         2
бишкек сити            2
Name: count, Length: 101, dtype: int64

#создание списка имён оторые отличаются только регистром одного 
    #или нескольких символов - в том виде, в котором они содержатся в датафрейме
names_case_duplicates =(
    pd.Series(
        data['name']
        .apply(lambda x: x if x.lower() in list.index else np.nan)
        .dropna()
    )
)
names_case_duplicates = names_case_duplicates.value_counts()

#создание словаря для замены дубликатов, отличающихся от оригиналов 
    #регистром одного или нескольких символов
dict = {}
for i in names_case_duplicates.index:
    for j in names_case_duplicates.index:
        if (i.lower() == j.lower()) & (i != j):
            if (names_case_duplicates[i] >= names_case_duplicates[j]):
                dict[j] = i
                names_case_duplicates = names_case_duplicates.drop(index=i)                
    
#вывод словаря
dict

{"Домино'с пицца": "Домино'с Пицца",
 'One price coffee': 'One Price Coffee',
 'Крошка картошка': 'Крошка Картошка',
 'Хлеб насущный': 'Хлеб Насущный',
 'МСК lounge': 'МСК Lounge',
 'Wild bean cafe': 'Wild Bean Cafe',
 'Правда Кофе': 'Правда кофе',
 'Донер кебаб': 'Донер Кебаб',
 'Кафе-Столовая': 'Кафе-столовая',
 'Даблби': 'ДаблБи',
 'Франклинс бургер': 'Франклинс Бургер',
 'Star hit cafe': 'Star Hit Cafe',
 'Ля фантази': 'Ля Фантази',
 'Лепим и Варим': 'Лепим и варим',
 'Burger club': 'Burger Club',
 'Korean chick': 'Korean Chick',
 'Чайхана Халяль': 'Чайхана халяль',
 'Вкус востока': 'Вкус Востока',
 'One&double': 'One&Double',
 'Noba Coffee': 'Noba coffee',
 'ABC coffee roasters': 'ABC Coffee Roasters',
 'Рамен-клаб': 'Рамен-Клаб',
 'Шаурма в Пите': 'Шаурма в пите',
 'Pho street': 'Pho Street',
 'ШашлычОК': 'Шашлычок',
 'Халва, сеть почтоматов': 'Халва, Сеть Почтоматов',
 'The wild bean cafe': 'The Wild Bean Cafe',
 'Ача-чача': 'Ача-Чача',
 'Чайхана Бишкек Сити': 'Чайхана Бишкек сити',
 'Вкус Дня': 'Вкус дня',
 'Raw to go': 'Raw to Go',
 'РэдиМэйд': 'Рэдимэйд',
 'BFL’S': 'Bfl’s',
 'Deli2Go': 'Deli2go',
 'Nova Bubble Tea': 'Nova bubble tea',
 'FLIP': 'Flip',
 'Poke House': 'Poke house',
 'Wave california poke': 'Wave California Poke',
 'Пирог хауз': 'Пирог Хауз',
 'Sedelice': 'SeDelice',
 'Как Дома': 'Как дома',
 'Sova coffee': 'Sova Coffee',
 'Coffee point': 'Coffee Point',
 'Старый Город': 'Старый город',
 'Донер хаус': 'Донер Хаус',
 'Гриль хаус': 'Гриль Хаус',
 'Ели сацебели': 'Ели Сацебели',
 'Шашлык хаус': 'Шашлык Хаус',
 'АвлаБар': 'Авлабар',
 'Han Cook': 'Han cook',
 'Bb grill': 'Bb Grill',
 'Новатор Кофе': 'Новатор кофе',
 'Чудо печка': 'Чудо Печка',
 'Кафе шашлык': 'Кафе Шашлык',
 'Чудо Тандыр': 'Чудо тандыр',
 'More poke': 'More Poke',
 'Нэм Нэм': 'Нэм нэм',
 'Семейная пекарня': 'Семейная Пекарня',
 'Домик в Саду': 'Домик в саду',
 'Между Булок': 'Между булок',
 'Ливан Хаус': 'Ливан хаус',
 'Pasta cup & pizza': 'Pasta Cup & Pizza',
 'Кофеin': 'КофеIN',
 'Практика Кофе': 'Практика кофе',
 'Ням-Ням': 'Ням-ням',
 'ПаПан': 'Папан',
 'На углях': 'На Углях',
 'Гюмри Хауз': 'Гюмри хауз',
 'Хлеб Насущный Экспресс': 'Хлеб Насущный экспресс',
 'Хочу хычин': 'Хочу Хычин',
 'Ма Ми': 'МА Ми',
 'Espresso Bar': 'Espresso bar',
 'Донер & Гриль': 'Донер & гриль',
 'Токио рамен': 'Токио Рамен',
 'Di Villaggio': 'Di villaggio',
 'Центр Плова': 'Центр плова',
 'Шашлык на углях': 'Шашлык на Углях',
 'Греки здесь': 'Греки Здесь',
 'Донер Бистро': 'Донер бистро',
 'Вкусвилл, кафе': 'ВкусВилл, кафе',
 'Раковарня Клешни и Хвосты': 'Раковарня Клешни и хвосты',
 'I Like Wine': 'I like wine',
 'Бишкек Сити': 'Бишкек сити',
 'Вьет Лотос': 'Вьет лотос',
 'Чайхона Ош сити': 'Чайхона ОШ Сити',
 'Хинкальная Экспресс': 'Хинкальная экспресс',
 'PiNzeria by Bontempi': 'Pinzeria by Bontempi',
 'ГастроФерма': 'Гастроферма',
 'Новая столовая': 'Новая Столовая',
 'Кофе стоп': 'Кофе Стоп',
 'Хинкали Point': 'Хинкали point',
 'Важная Персона': 'Важная персона',
 'Hellopapaya': 'HelloPapaya',
 'Istanbul kebab': 'Istanbul Kebab',
 'VABENE': 'Vabene',
 'Советские Времена': 'Советские времена',
 'Pomodoro royal': 'Pomodoro Royal',
 'IL pizzaiolo': 'IL Pizzaiolo',
 'Ku: рамен изакая бар': 'Ku: Рамен Изакая бар',
 'Здоровое Питание': 'Здоровое питание',
 'Carrots and Beans': 'Carrots and beans'}

#замена
data['name'] = data['name'].replace(dict)

#диаграмма пропущенных значений
ax = msno.bar(data, figsize=(15,7))
ax.set_title(
    'Соотношение корректных и пропущенных значений в столбцах\n', 
    fontsize=16
)
ax.set_xlabel('Столбцы', fontsize=16)
ax.set_ylabel('Значения', fontsize=16)
plt.show();

#вывод количества пропущенных значений для каждого столбца
data.isna().sum()

name                    0
category                0
address                 0
district                0
hours                 535
lat                     0
lng                     0
rating                  0
price                5087
avg_bill             4586
middle_avg_bill      5253
middle_coffee_cup    7867
chain                   0
seats                3610
dtype: int64

data[data['hours'].isna()]

data['hours'] = data['hours'].fillna('неизвестно')

data[data['price'].isna()]

data['price'].value_counts()

price
средние          2117
выше среднего     564
высокие           478
низкие            156
Name: count, dtype: int64

display(
    'Размеры части датафрейма, в которой есть пропуски в столбце **price** но нет пропусков в столбце **middle_avg_bill**:',
    data.query(
        'price.isna() & ~middle_avg_bill.isna()'
    ).shape
)

display(
    'Размеры части датафрейма, в которой в обоих столбцах нет пропусков:**',
    data.query(
        '~price.isna() & ~middle_avg_bill.isna()'
    ).shape
)

'Размеры части датафрейма, в которой есть пропуски в столбце **price** но нет пропусков в столбце **middle_avg_bill**:'

(470, 14)

'Размеры части датафрейма, в которой в обоих столбцах нет пропусков:**'

(2679, 14)

#срез датафрейма, в которой в обоих столбцах нет пропусков
query = data.query('~price.isna() & ~middle_avg_bill.isna()')

#график
plt.figure(figsize=(7,15))

ax = sns.stripplot(
    data=query, 
    x='price', 
    y='middle_avg_bill', 
    color='steelblue', 
    alpha=0.6)
ax.set_title(
    'Распределение значений среднего чека по категориям столбца price'
)
ax.set_xlabel('Категории')
ax.set_ylabel('Средний чек')

plt.show();

#график
plt.figure(figsize=(7,15))

ax = sns.boxplot(x='price', y='middle_avg_bill', data=data)
ax.set_title(
    'Распределение значений среднего чека по категориям столбца price'
)
ax.set_xlabel('Категории')
ax.set_ylabel('Средний чек')

plt.show();

#цикл для удаления выбросов 
for cat in query['price'].unique():

    #временная переменная
    temp = query[query['price'] == cat]['middle_avg_bill']

    iqrs = q_iqr(temp)

    #удаление выбросов в категории и замена их пропусками
    query.loc[query['price'] == cat, 'middle_avg_bill'] = \
        temp.map(
            lambda x: x if (iqrs[0] - 1.5 * iqrs[2] <= x) & \
            (x <= iqrs[1] + 1.5 * iqrs[2])  else np.nan
        )

#удаление пропусков
query = query.query('~middle_avg_bill.isna()')

query.shape

(2619, 14)

#график
plt.figure(figsize=(7,15))

ax = sns.stripplot(
    data=query, 
    x='price', 
    y='middle_avg_bill', 
    color='steelblue', 
    alpha=0.6
)
ax.set_title('Распределение значений среднего чека по категориям столбца price')
ax.set_xlabel('Категории')
ax.set_ylabel('Средний чек')
plt.axhline(
    y=query[query['price'] == 'высокие']['middle_avg_bill'].min(), 
    linestyle='--'
)
plt.axhline(
    y=query[query['price'] == 'средние']['middle_avg_bill'].min(), 
    linestyle='--'
)
plt.axhline(
    y=query[query['price'] == 'низкие']['middle_avg_bill'].max(), 
    linestyle='--'
)
plt.axhline(
    y=query[query['price'] == 'выше среднего']['middle_avg_bill'].max(), 
    linestyle='--'
)

plt.show();

#замена пропусков для диапазона значений среднего чека, соответствующих низким
data.loc[
    (
        data['price'].isna() & 
        (data['middle_avg_bill'] < \
         query[query['price'] == 'средние']['middle_avg_bill'].min()) &
        ~data['middle_avg_bill'].isna()        
    ),
    'price'
] = 'низкие'

#замена пропусков для диапазона значений среднего чека, соответствующих средним 
data.loc[
    (
        data['price'].isna() & 
        (data['middle_avg_bill'] > \
         query[query['price'] == 'низкие']['middle_avg_bill'].max()) &
        (data['middle_avg_bill'] < \
         query[query['price'] == 'высокие']['middle_avg_bill'].min()) &
        ~data['middle_avg_bill'].isna()        
    ),
    'price'
] = 'средние'

#замена пропусков для диапазона значений среднего чека, соответствующих высоким
data.loc[
    (
        data['price'].isna() & 
        (data['middle_avg_bill'] > (
            query[query['price'] == 'выше среднего']['middle_avg_bill']
            .max()
        )) &
        ~data['middle_avg_bill'].isna()        
    ),
    'price'
] = 'высокие'

#оставшееся количество пропусков
data[data['price'].isna()].shape

(4890, 14)

display(
    'Размеры части датафрейма, в которой есть пропуски в столбце **price** но нет пропусков в столбце **middle_avg_bill**:',
    data.query('price.isna() & ~middle_coffee_cup.isna()').shape
)

display(
    'Размеры части датафрейма, в которой в обоих столбцах нет пропусков:',
    data.query('~price.isna() & ~middle_coffee_cup.isna()').shape
)

'Размеры части датафрейма, в которой есть пропуски в столбце **price** но нет пропусков в столбце **middle_avg_bill**:'

(257, 14)

'Размеры части датафрейма, в которой в обоих столбцах нет пропусков:'

(278, 14)

#график
plt.figure(figsize=(7,15))

ax = sns.stripplot(
    data=query, 
    x='price', 
    y='middle_avg_bill', 
    color='steelblue', 
    alpha=0.6
)
ax.set_title('Распределение значений среднего чека по категориям столбца price')
ax.set_xlabel('Категории')
ax.set_ylabel('Средний чек')
plt.axhline(y=query[query['price'] == 'высокие']['middle_avg_bill'].min(), linestyle='--')
plt.axhline(y=query[query['price'] == 'средние']['middle_avg_bill'].min(), linestyle='--')
plt.axhline(y=query[query['price'] == 'низкие']['middle_avg_bill'].max(), linestyle='--')
plt.axhline(y=query[query['price'] == 'выше среднего']['middle_avg_bill'].max(), linestyle='--')

plt.show();

#срез датафрейма, в которой в обоих столбцах нет пропусков
query = data.query('~price.isna() & ~middle_coffee_cup.isna()')

#график
plt.figure(figsize=(7,15))

ax = sns.stripplot(
    data=query, 
    x='price', 
    y='middle_coffee_cup', 
    color='steelblue', 
    alpha=0.6
)
ax.set_title('Распределение значений средней цены чашки кофе по категориям столбца price')
ax.set_xlabel('Категории')
ax.set_ylabel('Средний чек')

plt.show();

data['price'] = data['price'].fillna('неизвестно')

data[data['avg_bill'].isna()]

data['avg_bill'] = data['avg_bill'].fillna('неизвестно')

data[data['middle_avg_bill'].isna()]

(
    data[data['avg_bill']
    .str.match('Средний счёт')]['middle_avg_bill']
    .isna()
    .sum()
)

0

data['middle_avg_bill'] = data['middle_avg_bill'].fillna(-1)

data[data['middle_coffee_cup'].isna()]

(
    data[data['avg_bill']
    .str.match('Цена чашки капучино')]['middle_coffee_cup']
    .isna()
    .sum()
)

0

data['middle_coffee_cup'] = data['middle_coffee_cup'].fillna(-1)

data[data['seats'].isna()]

data['seats'] = data['seats'].fillna(-1)

#проверка
data.isna().sum()

name                 0
category             0
address              0
district             0
hours                0
lat                  0
lng                  0
rating               0
price                0
avg_bill             0
middle_avg_bill      0
middle_coffee_cup    0
chain                0
seats                0
dtype: int64

#проверка наличия дробных значений в столбцах **middle_avg_bill** и **middle_coffee_cup**
display(
    data[data['middle_avg_bill'] % 1 > 0]['middle_avg_bill'].count(),
    data[data['middle_coffee_cup'] % 1 > 0]['middle_coffee_cup'].count()
)

0

0

#приведение к типу int
data[['seats','middle_avg_bill','middle_coffee_cup']] = \
    data[['seats','middle_avg_bill','middle_coffee_cup']].astype(int)

#вывод значений столбца и их количества
data['category'].value_counts()

category
кафе               2376
ресторан           2042
кофейня            1413
бар,паб             764
пиццерия            633
быстрое питание     603
столовая            315
булочная            256
Name: count, dtype: int64

data['district'].value_counts()

district
Центральный административный округ         2242
Северный административный округ             898
Южный административный округ                892
Северо-Восточный административный округ     890
Западный административный округ             850
Восточный административный округ            798
Юго-Восточный административный округ        714
Юго-Западный административный округ         709
Северо-Западный административный округ      409
Name: count, dtype: int64

(
    data['avg_bill']
    .apply(lambda x: x[:x.find(':')] if (x !='неизвестно') else x)
    .unique()
)

array(['неизвестно', 'Средний счёт', 'Цена чашки капучино',
       'Цена бокала пива'], dtype=object)

description(data, 'lat')

'Основные характеристики столбца'

count    8402.000000
mean       55.750080
std         0.069654
min        55.573942
25%        55.704950
50%        55.753401
75%        55.795017
max        55.928943
Name: lat, dtype: float64

description(data, 'lng')

'Основные характеристики столбца'

count    8402.000000
mean       37.608613
std         0.098585
min        37.355651
25%        37.538653
50%        37.605263
75%        37.664819
max        37.874466
Name: lng, dtype: float64

description(
    data, 
    'rating', 
    bins=data['rating']
    .nunique()
)

'Основные характеристики столбца'

count    8402.000000
mean        4.230017
std         0.470320
min         1.000000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64

description(data.query('middle_avg_bill != -1'), 'middle_avg_bill')

'Основные характеристики столбца'

count     3149.000000
mean       958.053668
std       1009.732845
min          0.000000
25%        375.000000
50%        750.000000
75%       1250.000000
max      35000.000000
Name: middle_avg_bill, dtype: float64

data.query('middle_avg_bill == 0')

data.loc[data['middle_avg_bill'] == 0, 'middle_avg_bill'] = -1

#получение квартилей
iqrs = q_iqr(
    data.query('middle_avg_bill != -1')['middle_avg_bill']
)

#срез с высоким средним чеком
abn_avg_bill = data.query(
    'middle_avg_bill > @iqrs[1] + 1.5* @iqrs[2]'
)

description(abn_avg_bill, 'middle_avg_bill')

'Основные характеристики столбца'

count      104.000000
mean      4052.403846
std       3363.260812
min       2600.000000
25%       3000.000000
50%       3250.000000
75%       4000.000000
max      35000.000000
Name: middle_avg_bill, dtype: float64

abn_avg_bill['price'].value_counts()

price
высокие          103
выше среднего      1
Name: count, dtype: int64

data.query('middle_avg_bill >= 10000')

data.loc[
    data['middle_avg_bill'] >= 10000, 
    'middle_avg_bill'
] = -1

description(
    data.query('middle_avg_bill != -1'), 
    'middle_avg_bill', 
    bins=50
)

'Основные характеристики столбца'

count    3145.000000
mean      941.466137
std       770.467416
min        30.000000
25%       375.000000
50%       750.000000
75%      1250.000000
max      7250.000000
Name: middle_avg_bill, dtype: float64

description(
    data.query('middle_coffee_cup != -1'), 
    'middle_coffee_cup'
)

'Основные характеристики столбца'

count     535.000000
mean      174.721495
std        88.951103
min        60.000000
25%       124.500000
50%       169.000000
75%       225.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64

#получение квартилей
iqrs = q_iqr(
    data.query(
        'middle_coffee_cup != -1'
    )['middle_coffee_cup']
)

#срез с высоким средним чеком
abn_coffee_cup = data.query(
    'middle_coffee_cup >= @iqrs[1] + 1.5* @iqrs[2]'
)

abn_coffee_cup

data.loc[
    data['middle_coffee_cup'] == abn_coffee_cup['middle_coffee_cup'][2859], 
    'middle_coffee_cup'
] = -1

description(data.query('middle_coffee_cup != -1'), 'middle_coffee_cup')

'Основные характеристики столбца'

count    534.000000
mean     172.112360
std       65.408333
min       60.000000
25%      124.250000
50%      168.000000
75%      225.000000
max      375.000000
Name: middle_coffee_cup, dtype: float64

#соотношение сетевых и не сетевых заведений
data['chain'].value_counts()

chain
0    5199
1    3203
Name: count, dtype: int64

(
    pd.Series(data[data['chain'] == 0]['name'].unique())
    .isin(
        data[data['chain'] == 1]['name']
        .unique())
    .sum()
)

40

#список названий
names = (data
         .groupby('name', as_index=False)['chain']
         .agg('nunique'))
names[names['chain'] > 1]['name']

#сводная таблица
pivot_names = (
    data[data['name']
    .isin(names[names['chain'] > 1]['name'])]
    .pivot_table(
        index='name', 
        values='address', 
        columns='chain', 
        aggfunc='count'
    )
)
pivot_names

pivot_names = pivot_names.drop(index='Кафе-столовая')

data.loc[
    data['name'].isin(pivot_names.index), 
    'chain'
] = 1

description(data.query('seats != -1'), 'seats', bins=100)

'Основные характеристики столбца'

count    4792.000000
mean      108.361436
std       122.841130
min         0.000000
25%        40.000000
50%        75.000000
75%       140.000000
max      1288.000000
Name: seats, dtype: float64

data[(data['seats'] == 0)]

data.insert(
    data.columns.get_loc('address') + 1,
    'street',
    data['address'].str.split(',').apply(lambda x: x[1])
)

data.insert(
    data.columns.get_loc('hours') + 1,
    'is_24_7',
    data['hours'].apply(lambda x: True if (
        ('ежедневно' in x) & ('круглосуточно' in x)
    ) else False)
)

data.head(20)

cat_visualise(
    data, 
    'category', 
    'Категория', 
    'name', 
    'count', 
    'Количество'
)

#удаление пропусков
data_filtered = data.query('seats != -1')

cat_visualise(
    data_filtered, 
    'category', 
    'Категория', 
    'seats', 
    'sum', 
    'Суммарное количество посадочных мест'
)

cat_visualise(
    data_filtered, 
    'category', 
    'Категория', 
    'seats', 
    'median', 
    'Медианное количество посадочных мест'
)

data_chain = data.copy()
data_chain['chain'] = data_chain['chain'].replace({
    1:'сетевые',
    0:'несетевые'
})

cat_visualise(
    data_chain, 
    'chain', 
    'Сетевые и несетевые', 
    'name', 
    'count', 
    'Количество'
)

#сводная таблица
pivot = data.pivot_table(
    index='category', 
    columns='chain', 
    values='name', 
    aggfunc='count'
)

pivot['total'] = pivot[[0, 1]].sum(axis=1)
pivot.columns = ['nonchain', 'chain', 'total']
pivot = pivot.sort_values(by='total')

#диаграмма количества объектов общественного питания по категориям
ax = pivot[['nonchain', 'chain', 'total']].plot(
            kind='barh',
            figsize=(15,10),
            width=0.8
        )
ax.bar_label(ax.containers[0], fontsize=12)
ax.bar_label(ax.containers[1], fontsize=12)
ax.bar_label(ax.containers[2], fontsize=12)
ax.set_title(f'Соотношение количества сетевых и несетевых заведений, разбивка по категориям.png')
ax.set_xlabel('Количество')
ax.set_ylabel('Категория');
ax.legend(['Несетевые','Сетевые', 'Общее количество'])
      
#сохранение изображения
plt_name = pics_path + 'Соотношение количества сетевых и несетевых заведений, разбивка по категориям.png'
plt.savefig(plt_name)
        
plt.show();

#столбец с процентами сетевых заведений ко всем
pivot['chain_percent'] = pivot['chain'] / pivot['total'] * 100

#диаграмма долей объектов общественного питания по категориям
plt.figure(figsize=(8,8))

ax = plt.pie(    
    pivot['chain_percent'],
    labels=pivot.index,
    autopct='%0.1f%%'
)
plt.title('Процент сетевых заведений к общему количеству. Соотношение по категориям')

#сохранение изображения
plt_name = pics_path + 'Процент сетевых заведений к общему количеству. Соотношение по категориям.png'
plt.savefig(plt_name)
plt.show();

#группировка данных
top_chains =( 
    data[data['chain'] == 1]
    .groupby('name', as_index=False)[['chain','category']]
    .agg({'chain':'count', 'category':'max'})
    .sort_values(by='chain', ascending=False)
    .head(15)
)

top_chains.columns = ['name','amount', 'category']

data_top_15 = data[data['name'].isin(top_chains['name'])]

display(
    top_chains,
    data_top_15.shape
)

(818, 16)

#топ-15 заведений в разбивке по названиям
cat_visualise(
    data_top_15,
    'name',
    'Название сети',
    'chain',
    'count',
    'Количество (топ-15)'
)

#топ-15 заведений в разбивке по категориям
cat_visualise(
    data_top_15,
    'category',
    'Категория',
    'chain',
    'count',
    'Количество (топ-15) сетевых'
)

#сравнение по категориальным признакам
for cat_col in ['category', 'district','is_24_7']:
    display(
        f'Сравнение по признаку {cat_col}',
        compare_cat(data, data_top_15, cat_col, 10)
    )

'Сравнение по признаку category'

'Сравнение по признаку district'

'Сравнение по признаку is_24_7'

#сравнение по числовым признакам
for cat_col in [
    'rating', 
    'middle_avg_bill', 
    'middle_coffee_cup', 
    'seats'
]:
    result = compare_numeric(data, data_top_15, cat_col)
    display(
        f'Сравнение по показателю {cat_col}',
        f'Коэффициент корелляции: {result[0]}',
        f'Отклонение среднего значения: {result[1]}',
        f'Среднее в основном датафрейме: {result[2]}',
        f'Среднее в отфильтрованном датафрейме: {result[3]}',
        f''
    )

'Сравнение по показателю rating'

'Коэффициент корелляции: 1.0'

'Отклонение среднего значения: -0.0201'

'Среднее в основном датафрейме: 4.23'

'Среднее в отфильтрованном датафрейме: 4.1451'

''

'Сравнение по показателю middle_avg_bill'

'Коэффициент корелляции: 1.0'

'Отклонение среднего значения: -0.4991'

'Среднее в основном датафрейме: 941.4661'

#график совметного распределения

ax = sns.jointplot(
    x=data['middle_avg_bill'][data['middle_avg_bill'] != -1], 
    y=data_top_15['middle_avg_bill'][data_top_15['middle_avg_bill'] != -1], 
    kind='reg');

ax.fig.suptitle('График совместного распределения среднего счёта')
ax.set_axis_labels('Основной датафрейм', 'Отфильтрованный датафрейм')
ax.fig.tight_layout();

plt.show();

#сводная таблица
pivot = data.groupby(['district', 'category'])['name'].agg('count')

pivot = pivot.reset_index()
pivot.columns= ['district', 'Категория', 'Количество']

#таблица общего количества по категориям
total = pivot.groupby('district')['Количество'].agg('sum')

#построение графика
fig = px.bar(
    pivot, 
    x='district', 
    y='Количество',  
    color='Категория',
    text='Количество',
    width=1000,
    height=1500,
    title='Распределение заведений и их категорий по 15 улицам с наибольшим количеством заведений',
   
)

fig.update_layout(
    xaxis_title='Округа'
)

for dist in total.index:
    fig.add_annotation(
        x=dist, 
        y=total[dist], 
        text=str(total[dist])
    )
    

fig.show()

#диаграмма среднего рейтинга
plt.figure(figsize=(15,10))

ax = sns.barplot(
    data=data, 
    x='category',
    y='rating', 
    errorbar=None, 
    estimator='mean',
    width=0.6,
    
)
ax.bar_label(ax.containers[0], fontsize=12, fmt='%0.2f')
ax.set_ylim(3.5,4.5)

ax.set_title('Распределение средних рейтингов по категориям')
ax.set_xlabel('Категория')
ax.set_ylabel('Средний рейтинг')
plt.savefig(
    pics_path + 'Распределение средних рейтингов по категориям'
)

plt.show;

#диаграмма среднего рейтинга
plt.figure(figsize=(15,10))

ax = sns.boxplot(
    data=data, 
    x='category',
    y='rating', 
    width=0.4,
    palette='muted'
    
)

ax.set_title('Распределение средних рейтингов по категориям - диаграммы размаха')
ax.set_xlabel('Категория')
ax.set_ylabel('Средний рейтинг')
plt.savefig(
    pics_path + 'Распределение средних рейтингов по категориям - диаграммы размаха'
)

plt.show;

#график распределения рейтингов по категориям
plt.figure(figsize=(15,10))

ax = sns.kdeplot(
    data.rename(columns={'category':'Категория'}), 
    x='rating', 
    hue='Категория')
ax.set_title('Распределение рейтингов по категориям')
ax.set_xlabel('Рейтинг')
ax.set_ylabel('Частота')
plt.savefig(
    pics_path + 'Распределение рейтингов по категориям'
)

plt.show();

#координаты Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#границы округов
districts_geo = 'admin_level_geomap.geojson'

#медианный рейтинг заведений по районам
rating = (
    data
    .groupby('district', as_index=False)['rating']
    .agg('mean')
)

#создание карты
m = folium.Map(
    location=[moscow_lat, moscow_lng], 
    zoom_start=10, 
    tiles='Cartodb Positron')

#фоновая картограмма

Choropleth(
        geo_data=districts_geo,
        data=rating,
        columns=['district','rating'],
        key_on='feature.name',
        fill_color='YlGn',
        fill_opacity=0.5,
        legend_name='Средний рейтинг заведений по районам',
    ).add_to(m)

#вывод
m

rating

#добавление пустого кластера
marker_cluster = MarkerCluster().add_to(m)

#функция для создания маркеров
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
data.apply(create_clusters, axis=1)

#вывод
m

#сводная таблица
top_streets = (
    data
    .groupby(['street','category'], as_index=False)['name']
    .agg('count')
    
)
top_streets.columns = ['street', 'Категория', 'Количество']

#названия топ-15 улиц
street_names = (
    top_streets
    .groupby('street')['Количество'].sum()
    .sort_values()
    .tail(15)
    .index
)

#фильтрация сводной таблицы по названиям топ-15 улиц
top_streets = (
    top_streets[top_streets['street']
    .isin(street_names)]
)

   
#построение графика
fig = px.bar(
    top_streets, 
    x='street', 
    y='Количество',  
    color='Категория',
    text='Количество',
    width=1000,
    height=1500,
    title='Распределение заведений и их категорий по 15 улицам с наибольшим количеством заведений',
   
)



fig.update_layout(
    xaxis_title='Улицы'
)

fig.show()

#список улиц
lonely_streets = (
    data
    .groupby('street')['name']
    .agg('count')
)

lonely_streets = lonely_streets[lonely_streets == 1].index

#фильтрация фатафрейма по списку улиц
data_lonely = data[data['street'].isin(lonely_streets)]

data_lonely.head(10)

cat_visualise(
    data_lonely, 
    'category', 
    'Категория', 
    'name', 
    'count', 
    'Количество (улицы только с одним объектом)'
)

#сравнение по категориальным признакам
for cat_col in [
    'category', 
    'district',
    'is_24_7', 
    'chain']:
    display(
        f'Сравнение по признаку {cat_col}',
        compare_cat(data, data_lonely, cat_col, 20)
    )

'Сравнение по признаку category'

'Сравнение по признаку district'

'Сравнение по признаку is_24_7'

'Сравнение по признаку chain'

#сравнение по числовым признакам
for cat_col in [
    'rating', 
    'middle_avg_bill', 
    'middle_coffee_cup', 
    'seats'
]:
    result = compare_numeric(data, data_lonely, cat_col)
    display(
        f'Сравнение по показателю {cat_col}',
        f'Коэффициент корелляции: {result[0]}',
        f'Отклонение среднего значения: {result[1]}',
        f'Среднее в основном датафрейме: {result[2]}',
        f'Среднее в отфильтрованном датафрейме: {result[3]}',
        f''
    )

'Сравнение по показателю rating'

'Коэффициент корелляции: 1.0'

'Отклонение среднего значения: 0.0015'

'Среднее в основном датафрейме: 4.23'

'Среднее в отфильтрованном датафрейме: 4.2364'

''

'Сравнение по показателю middle_avg_bill'

'Коэффициент корелляции: 1.0'

'Отклонение среднего значения: 0.0195'

'Среднее в основном датафрейме: 941.4661'

#график совметного распределения

ax = sns.jointplot(
    x=data['seats'][data['seats'] != -1], 
    y=data_top_15['seats'][data_top_15['seats'] != -1], 
    kind='reg');

ax.fig.suptitle(
    'График совместного распределения количества посадочных мест'
)
ax.set_axis_labels(
    'Основной датафрейм', 'Отфильтрованный датафрейм'
)
ax.fig.tight_layout();

plt.show();

#координаты Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#границы округов
districts_geo = 'admin_level_geomap.geojson'

#медианный рейтинг заведений по районам
median_bills = (
    data[data['middle_avg_bill'] != -1]
    .groupby('district', as_index=False)['middle_avg_bill']
    .agg('median')
)

#создание карты
m_bill = folium.Map(
    location=[moscow_lat, moscow_lng], 
    zoom_start=10, 
    tiles='Cartodb Positron')

#фоновая картограмма

Choropleth(
        geo_data=districts_geo,
        data=median_bills,
        columns=['district','middle_avg_bill'],
        key_on='feature.name',
        fill_color='YlGn',
        fill_opacity=0.5,
        legend_name='Медианный счёт в заведениях по районам',
    ).add_to(m_bill)

#вывод
m_bill

median_bills

data_cshop = data[data['category'] == 'кофейня']

data

#подготовка данных для визуализации
data_cshop['chain'] = data_cshop['chain'].replace({
    1:'сетевые',
    0:'несетевые'
})

data_cshop['is_24_7'] = data_cshop['is_24_7'].replace({
    True:'24/7',
    False:'обычный'
})


#словарь названий категориальных столбцов
dict={
    'district':'Округ', 
    'is_24_7':'Режим работы', 
    'chain':'Сетевые или нет'}

#визуализация распределения по категориальным признакам
for cat in dict.keys():
    cat_visualise(
        data_cshop,
        cat,
        dict[cat],
        'name',
        'count',
        'Кофейни - количество'
    )

#основные характеристики столбца
description(
    data_cshop, 
    'rating', 
    bins=30
)

'Основные характеристики столбца'

count    1413.000000
mean        4.277282
std         0.372250
min         1.400000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64

#диаграмма среднего рейтинга по округам
plt.figure(figsize=(15,7))

ax = sns.barplot(
    data_cshop, 
    x='rating', 
    y='district', 
    errorbar=None, 
    estimator='mean',
    width=0.6,
    
)
ax.bar_label(ax.containers[0], fontsize=12, fmt='%0.2f')
ax.set_xlim(3.5,4.5)

ax.set_title(
    'Распределение средних рейтингов кофеен по округам'
)
ax.set_ylabel('Округ')
ax.set_xlabel('Средний рейтинг')
ax.tick_params(axis='x', rotation=75)
plt.savefig(
    pics_path + 'Распределение средних рейтингов кофеен по округам.png',
    bbox_inches= 'tight'
)

plt.show;

#диаграмма среднего рейтинга
plt.figure(figsize=(15,10))

ax = sns.boxplot(
    data=data_cshop, 
    y='district',
    x='rating', 
    width=0.6,
    palette='muted'
    
)

ax.set_title('Распределение средних рейтингов по категориям - диаграммы размаха')
ax.set_ylabel('Категория')
ax.set_xlabel('Средний рейтинг')
plt.savefig(
    pics_path + 'Распределение средних рейтингов по категориям - диаграммы размаха.png'
)

plt.show;

#удаление значений-заглушек
data_cshop_filtered = data_cshop[
    data_cshop['middle_coffee_cup'] != -1
]

#основные характеристики столбца
description(
    data_cshop_filtered, 
    'middle_coffee_cup', 
    bins=30
)

'Основные характеристики столбца'

count    520.000000
mean     172.376923
std       65.767854
min       60.000000
25%      124.000000
50%      169.500000
75%      225.000000
max      375.000000
Name: middle_coffee_cup, dtype: float64

#диаграмма среднего рейтинга по округам
plt.figure(figsize=(15,7))

ax = sns.barplot(
    data_cshop_filtered, 
    x='middle_coffee_cup', 
    y='district', 
    errorbar=None, 
    estimator='mean',
    width=0.6,
    
)
ax.bar_label(ax.containers[0], fontsize=12, fmt='%0.1f')
ax.set_xlim(100, 200)

ax.set_title(
    'Распределение средней цены чашки капучино по округам'
)
ax.set_ylabel('Округ')
ax.set_xlabel('Cредняя цена чашки капучино')
plt.savefig(
    pics_path + 'Распределение средней цены чашки капучино по округам.png',
    bbox_inches= 'tight'
)

plt.show;

#диаграмма среднего рейтинга
plt.figure(figsize=(15,10))

ax = sns.boxplot(
    data=data_cshop_filtered, 
    y='district',
    x='middle_coffee_cup', 
    width=0.6,
    palette='muted'
    
)

ax.set_title(
    'Распределение средней цены чашки капучино по округам - диаграммы размаха'
)
ax.set_ylabel('Округ')
ax.set_xlabel('Cредняя цена чашки капучино')
plt.savefig(
    pics_path + 'Распределение средней цены чашки капучино по округам - диаграммы размаха.png'
)

plt.show;

#фильтрация пропусков, создание сводной таблицы, сортировка
pivot = (
    data_cshop[data_cshop['seats'] != -1]
    .groupby('district')['seats']
    .agg('sum')
    .sort_values(ascending=False)
).reset_index()

#диаграмма количества посадочных мест по округам
plt.figure(figsize=(15,7))

ax = sns.barplot(
    data=pivot, 
    x='seats', 
    y='district', 
    width=0.6,
    
)
ax.bar_label(ax.containers[0], fontsize=12, fmt='%0.2f')


ax.set_title(
    'Суммарное количество посадочных мест в кофейнях по округам'
)
ax.set_ylabel('Округ')
ax.set_xlabel('Суммарное количество посадочных мест ')
plt.savefig(
    pics_path + 'Суммарное количество посадочных мест в кофейнях по округам.png',
    bbox_inches= 'tight'
)

plt.show;

#фильтрация пропусков, создание сводной таблицы, сортировка
pivot = (
    data_cshop[data_cshop['seats'] != -1]
    .groupby('district')['seats']
    .agg('median')
    .sort_values(ascending=False)
).reset_index()

#диаграмма количества посадочных мест по округам
plt.figure(figsize=(15,7))

ax = sns.barplot(
    data=pivot, 
    x='seats', 
    y='district', 
    width=0.6,
    
)
ax.bar_label(ax.containers[0], fontsize=12, fmt='%0.2f')


ax.set_title(
    'Медианное количество посадочных мест в кофейнях по округам'
)
ax.set_ylabel('Округ')
ax.set_xlabel('Медианное количество посадочных мест ')
ax.tick_params(axis='x', rotation=75)
plt.savefig(
    pics_path + 'Медианное количество посадочных мест в кофейнях по округам.png',
    bbox_inches= 'tight'
)

plt.show;

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	0	NaN
6	Огни города	бар,паб	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн 15:00–04:00; вт-вс 15:00–05:00	55.890752	37.524653	4.4	средние	Средний счёт:199 ₽	199.0	NaN	0	45.0
7	Mr. Уголёк	быстрое питание	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.890636	37.524303	4.7	средние	Средний счёт:200–300 ₽	250.0	NaN	0	45.0
8	Donna Maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	средние	Средний счёт:от 500 ₽	500.0	NaN	0	79.0
9	Готика	кафе	Москва, Ангарская улица, 39	Северный административный округ	ежедневно, 12:00–00:00	55.879038	37.524487	4.3	средние	Средний счёт:1000–1200 ₽	1100.0	NaN	0	65.0
10	Great Room Bar	бар,паб	Москва, Левобережная улица, 12	Северный административный округ	ежедневно, круглосуточно	55.877832	37.469171	4.5	средние	Цена бокала пива:250–350 ₽	NaN	NaN	0	102.0
11	Шашлык Шефф	кафе	Москва, улица Маршала Федоренко, 10с1	Северный административный округ	ежедневно, 10:00–21:00	55.881770	37.492362	4.9	NaN	NaN	NaN	NaN	0	NaN
12	Заправка	кафе	Москва, МКАД, 80-й километр, 1	Северный административный округ	вт-сб 09:00–18:00	55.899938	37.517958	4.3	средние	Средний счёт:330 ₽	330.0	NaN	0	NaN
13	Буханка	булочная	Москва, Базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	NaN	NaN	NaN	NaN	1	180.0
14	У Сильвы	бар,паб	Москва, Ангарская улица, 42с1	Северный административный округ	ежедневно, 13:00–00:00	55.885528	37.528371	4.2	выше среднего	Средний счёт:1500 ₽	1500.0	NaN	0	NaN
15	Дом обеда	столовая	Москва, улица Бусиновская Горка, 2	Северный административный округ	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	NaN	0	180.0
16	База Стритфуд	кафе	Москва, Базовская улица, 15, корп. 8	Северный административный округ	ежедневно, 10:00–23:00	55.877859	37.507754	4.2	средние	Средний счёт:140–350 ₽	245.0	NaN	0	NaN
17	Чайхана Беш-Бармак	ресторан	Москва, Ленинградское шоссе, 71Б, стр. 2	Северный административный округ	ежедневно, круглосуточно	55.876908	37.449876	4.4	средние	Средний счёт:350–500 ₽	425.0	NaN	0	96.0
18	Час-Пик	столовая	Москва, Коровинское шоссе, 30А	Северный административный округ	ежедневно, 09:00–21:00	55.884651	37.517482	4.3	средние	Средний счёт:200–300 ₽	250.0	NaN	0	25.0
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	1	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
189	кафе	кафе	москва, парк ангарские пруды	Северный административный округ	ежедневно, 09:00–23:00	55.880327	37.530786	3.2	NaN	NaN	NaN	NaN	0	NaN
215	кафе	кафе	москва, парк ангарские пруды	Северный административный округ	ежедневно, 10:00–22:00	55.881438	37.531848	3.2	NaN	NaN	NaN	NaN	0	NaN
1430	more poke	ресторан	москва, волоколамское шоссе, 11, стр. 2	Северный административный округ	ежедневно, 09:00–21:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	0	188.0
1511	more poke	ресторан	москва, волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00–18:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0
2211	раковарня клешни и хвосты	ресторан	москва, проспект мира, 118	Северо-Восточный административный округ	ежедневно, 12:00–00:00	55.810553	37.638161	4.4	NaN	NaN	NaN	NaN	0	150.0
2420	раковарня клешни и хвосты	бар,паб	москва, проспект мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00–00:00	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	1	150.0
3091	хлеб да выпечка	булочная	москва, ярцевская улица, 19	Западный административный округ	ежедневно, 09:00–22:00	55.738886	37.411648	4.1	NaN	NaN	NaN	NaN	1	276.0
3109	хлеб да выпечка	кафе	москва, ярцевская улица, 19	Западный административный округ	NaN	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	0	276.0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
38	Ижора	булочная	Москва, Ижорский проезд, 5А	Северный административный округ	NaN	55.888366	37.514856	4.4	NaN	NaN	NaN	NaN	0	NaN
40	Кафе	кафе	Москва, Ижорская улица, 18, стр. 1	Северный административный округ	NaN	55.895115	37.524902	3.7	NaN	NaN	NaN	NaN	0	NaN
44	Кафетерий	кафе	Москва, Ангарская улица, 24А	Северный административный округ	NaN	55.876289	37.519315	3.8	NaN	NaN	NaN	NaN	1	8.0
56	Рыба из тандыра	быстрое питание	Москва, Коровинское шоссе, 46, стр. 5	Северный административный округ	NaN	55.888010	37.515960	1.5	NaN	NaN	NaN	NaN	0	NaN
108	Кафе	бар,паб	Москва, МКАД, 82-й километр, вл18	Северо-Восточный административный округ	NaN	55.908930	37.558777	4.2	NaN	NaN	NaN	NaN	0	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8236	1у	кафе	Москва, Нагатинская набережная, 40/1к1	Южный административный округ	NaN	55.685528	37.673546	3.4	NaN	NaN	NaN	NaN	0	NaN
8375	Улица Гурьянова 55	кафе	Москва, улица Гурьянова, 55	Юго-Восточный административный округ	NaN	55.679981	37.717034	4.5	NaN	NaN	NaN	NaN	0	NaN
8378	Восточно-грузинская кухня	быстрое питание	Москва, Зеленодольская улица, 32, корп. 3	Юго-Восточный административный округ	NaN	55.710540	37.767864	4.3	NaN	NaN	NaN	NaN	0	120.0
8381	Аэлита	кафе	Москва, Ферганская улица, 8, корп. 2, стр. 1	Юго-Восточный административный округ	NaN	55.708871	37.803831	3.8	NaN	NaN	NaN	NaN	0	30.0
8395	Истира Запрафка	кафе	Москва, Юго-Восточный административный округ, Нижегородский район	Юго-Восточный административный округ	NaN	55.724686	37.710558	2.9	NaN	NaN	NaN	NaN	0	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
11	Шашлык Шефф	кафе	Москва, улица Маршала Федоренко, 10с1	Северный административный округ	ежедневно, 10:00–21:00	55.881770	37.492362	4.9	NaN	NaN	NaN	NaN	0	NaN
13	Буханка	булочная	Москва, Базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	NaN	NaN	NaN	NaN	1	180.0
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	1	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	Суши Мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0
8402	Миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	NaN	NaN	0	150.0
8403	Самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0
8404	Чайхана Sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0
8405	Kebab Time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	неизвестно	NaN	NaN	NaN	0	NaN
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	0	NaN
11	Шашлык Шефф	кафе	Москва, улица Маршала Федоренко, 10с1	Северный административный округ	ежедневно, 10:00–21:00	55.881770	37.492362	4.9	неизвестно	NaN	NaN	NaN	0	NaN
13	Буханка	булочная	Москва, Базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	неизвестно	NaN	NaN	NaN	1	180.0
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	неизвестно	NaN	NaN	NaN	1	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8400	Практика кофе	кофейня	Москва, Чонгарский бульвар, 26А, корп. 1	Юго-Западный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.654289	37.600722	4.4	неизвестно	NaN	NaN	NaN	0	55.0
8401	Суши Мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	неизвестно	NaN	NaN	NaN	0	86.0
8402	Миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	неизвестно	NaN	NaN	NaN	0	150.0
8404	Чайхана Sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	неизвестно	NaN	NaN	NaN	1	150.0
8405	Kebab Time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	неизвестно	NaN	NaN	NaN	0	12.0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	seats
730	Чойхона	бар,паб	Москва, Дмитровское шоссе, 95А	Северный административный округ	ежедневно, 10:00–23:00	55.871497	37.543555	4.4	высокие	Средний счёт:5000–17000 ₽	11000	-1	49
5481	Гости	ресторан	Москва, шоссе Энтузиастов, 52	Восточный административный округ	пн,вс 18:00–22:30	55.759088	37.760570	4.1	высокие	Средний счёт:5000–15000 ₽	10000	-1	-1
7177	Кафе	ресторан	Москва, Каширское шоссе, 23, стр. 2	Южный административный округ	ежедневно, круглосуточно	55.657450	37.646665	4.1	высокие	Средний счёт:20000–50000 ₽	35000	-1	100

chain	0	1
name
ABC Coffee Roasters	1	4
Burger Club	1	5
Coffee Point	1	2
Flip	1	2
Korean Chick	1	5
More Poke	1	1
Noba coffee	1	4
Nova bubble tea	1	2
One Price Coffee	1	71
One&Double	1	4
Pho Street	1	3
Poke house	1	2
Raw to Go	1	2
SeDelice	1	2
Sova Coffee	1	2
Star Hit Cafe	1	6
Wave California Poke	1	2
Ача-Чача	1	3
Гриль Хаус	1	2
Домино'с Пицца	1	76
Ели Сацебели	1	2
Кафе-столовая	9	2
Ливан хаус	1	1
Ля Фантази	1	5
МСК Lounge	1	14
Матрешка	1	2
Огонек	1	2
Перекресток	1	2
Пирог Хауз	1	2
Раковарня Клешни и хвосты	1	1
Рамен-Клаб	1	4
Рэдимэйд	1	2
Старый город	1	2
Франклинс Бургер	1	8
Халва, Сеть Почтоматов	1	3
Хинкальная экспресс	1	1
Чайхана Бишкек сити	1	2
Шаурма в пите	1	3
Шашлык Хаус	1	2
Шашлычок	1	3

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
84	Meat Doner Kebab	булочная	Москва, улица Лескова, 22	Северо-Восточный административный округ	ежедневно, круглосуточно	55.896987	37.608126	4.5	неизвестно	Средний счёт:300 ₽	300	-1	0	0
177	Арамье	булочная	Москва, улица 800-летия Москвы, 22, корп. 2	Северный административный округ	ежедневно, 09:00–21:00	55.879392	37.556832	4.0	неизвестно	неизвестно	-1	-1	1	0
196	Донер-Шашлык	ресторан	Москва, улица Лескова, 22	Северо-Восточный административный округ	ежедневно, круглосуточно	55.896962	37.608300	4.5	неизвестно	неизвестно	-1	-1	0	0
203	Тандыр № 1	кафе	Москва, улица Лескова, 22Г	Северо-Восточный административный округ	ежедневно, круглосуточно	55.895615	37.611049	4.0	неизвестно	неизвестно	-1	-1	1	0
211	Неаполитан пицца	кафе	Москва, улица Пришвина, 23	Северо-Восточный административный округ	ежедневно, 12:00–23:00	55.885416	37.604650	4.3	неизвестно	неизвестно	-1	-1	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8118	Бико	булочная	Москва, улица Симоновский Вал, 13, стр. 3	Юго-Восточный административный округ	ежедневно, 08:00–20:00	55.723340	37.664252	1.3	неизвестно	неизвестно	-1	-1	0	0
8168	Чайхана УЧ Кудук	кофейня	Москва, улица Симоновский Вал, 26, корп. 1	Южный административный округ	ежедневно, 09:00–00:00	55.718663	37.662887	4.3	неизвестно	неизвестно	-1	-1	0	0
8172	Масса кофе	кофейня	Москва, Холодильный переулок, 2	Южный административный округ	пн-пт 08:00–20:00; сб,вс 09:00–20:00	55.709713	37.624388	4.3	средние	Цена чашки капучино:100–210 ₽	-1	155	0	0
8336	Сочная шаурма в Кузьминках	быстрое питание	Москва, Волгоградский проспект, 102	Юго-Восточный административный округ	ежедневно, круглосуточно	55.703834	37.773831	3.9	низкие	Средний счёт:120–130 ₽	125	-1	0	0
8362	Достор	кафе	Москва, Вешняковская улица, 43	Восточный административный округ	ежедневно, 09:00–00:00	55.716153	37.821948	4.1	средние	Средний счёт:300–800 ₽	550	-1	0	0

	name	amount	category
730	Шоколадница	120	кофейня
337	Домино'с Пицца	77	пиццерия
333	Додо Пицца	74	пиццерия
146	One Price Coffee	72	кофейня
743	Яндекс Лавка	69	ресторан
58	Cofix	65	кофейня
168	Prime	50	ресторан
665	Хинкальная	44	столовая
369	КОФЕПОРТ	42	кофейня
420	Кулинарная лавка братьев Караваевых	39	кафе
629	Теремок	38	ресторан
684	Чайхана	37	ресторан
270	Буханка	32	кофейня
39	CofeFest	32	кофейня
478	Му-Му	27	столовая

	category	count_full	rate_full	count_filtered	rate_filt	deviation_abs	deviation_percent
0	бар,паб	764	0.090931	4	0.004890	0.086041	-94.6
2	быстрое питание	603	0.071769	12	0.014670	0.057099	-79.6
3	кафе	2376	0.282790	100	0.122249	0.160540	-56.8
4	кофейня	1413	0.168174	337	0.411980	-0.243806	145.0
5	пиццерия	633	0.075339	152	0.185819	-0.110480	146.6
7	столовая	315	0.037491	2	0.002445	0.035046	-93.5

	district	count_full	rate_full	count_filtered	rate_filt	deviation_abs	deviation_percent
4	Северо-Западный административный округ	409	0.048679	46	0.056235	-0.007556	15.5
6	Юго-Восточный административный округ	714	0.084980	56	0.068460	0.016520	-19.4

	district	rating
0	Восточный административный округ	4.174185
1	Западный административный округ	4.181647
2	Северный административный округ	4.240980
3	Северо-Восточный административный округ	4.147978
4	Северо-Западный административный округ	4.208802
5	Центральный административный округ	4.377520
6	Юго-Восточный административный округ	4.101120
7	Юго-Западный административный округ	4.172920
8	Южный административный округ	4.184417

	category	count_full	rate_full	count_filtered	rate_filt	deviation_abs	deviation_percent
1	булочная	256	0.030469	8	0.017429	0.013040	-42.8
2	быстрое питание	603	0.071769	23	0.050109	0.021660	-30.2
3	кафе	2376	0.282790	160	0.348584	-0.065794	23.3
5	пиццерия	633	0.075339	15	0.032680	0.042659	-56.6
7	столовая	315	0.037491	36	0.078431	-0.040940	109.2

	district	count_full	rate_full	count_filtered	rate_filt	deviation_abs	deviation_percent
1	Западный административный округ	850	0.101166	35	0.076253	0.024914	-24.6
7	Юго-Западный административный округ	709	0.084385	18	0.039216	0.045169	-53.5

	district	middle_avg_bill
0	Восточный административный округ	550.0
1	Западный административный округ	1000.0
2	Северный административный округ	650.0
3	Северо-Восточный административный округ	500.0
4	Северо-Западный административный округ	700.0
5	Центральный административный округ	1000.0
6	Юго-Восточный административный округ	450.0
7	Юго-Западный административный округ	600.0
8	Южный административный округ	500.0

Проект "Рынок заведений общественного питания Москвы"¶

Загрузка и предобработка данных¶

Загрузка данных¶

Вспомогательные функции¶

Предобработка данных¶

Обработка дубликатов¶

Обработка пропусков¶

Пропуски в столбце hours¶

Пропуски в столбце price¶

Пропуски в столбце avg_bill¶

Пропуски в столбце middle_avg_bill¶

Пропуски в столбце middle_coffee_cup¶

Пропуски в столбце seats¶

Вывод по разделу обработки пропусков¶

Изменение типов данных¶

Проверка столбцов на наличие ошибок и аномалий¶

Столбец category.¶

Столбец district.¶

Столбец lat.¶

Столбец middle_avg_bill.¶

Столбец middle_coffee_cup.¶

Столбец chain¶

Столбец seats.¶

Добавление столбцов¶

Cтолбец street с названиями улиц из столбца с адресом.¶

Столбец is_24_7 с обозначением, что заведение работает ежедневно и круглосуточно (24/7).¶

Вывод по разделу предобработки¶

Исследовательский анализ данных¶

Количество объектов общественного питания по категориям.¶

Количество посадочных мест в заведениях по категориям.¶

Cоотношение сетевых и несетевых заведений.¶

Распределение сетевых заведений по категориям.¶

Топ-15 популярных сетей в Москве по количеству заведений.¶

Распределение средних рейтингов по категориям заведений.¶

Фоновая картограмма (хороплет) со средним рейтингом заведений каждого района.¶

Отображение всех заведений датасета на карте с помощью кластеров средствами библиотеки folium.¶

Топ-15 улиц по количеству заведений. График распределения количества заведений и их категорий по этим улицам.¶

Улицы, на которых находится только один объект общепита.¶

Фоновая картограмма (хороплет) с медианными значениями средних чеков для каждого района. Анализ цен в центральном административном округе и других.¶

Вывод по разделу исследовательского анализа данных¶

Количество заведений по категориям¶

Суммарное количество посадочных мест¶

Соотношение сетевых и несетевых заведений и их распределерие по категориям¶

Топ-15 сетевых заведений по количеству в сети¶

Наибольшее количество заведений - в Центральном административном округе.¶

Распределение средних рейтингов заведений по категориям¶

Распределение количества заведений по улицам¶

Улицы, на которых находится только одно заведение¶

Распределение медианного среднего счёта по округам¶

Исследование данных и рекомендации для открытия новой кофейни.¶

Визуализация в разбивке по основным признакам - категориальным и количественным.¶

Рейтинги кофеен¶

Средняя стоимость чашки капучино¶

Посадочные места в кофейнях - суммарное и медианное количество по округам¶

Вывод по разделу и рекомендации для открытия нового заведения¶

Общий вывод¶

Цели и задачи проекта¶

Исследовательский анализ данных¶

Количество заведений по категориям¶

Суммарное количество посадочных мест¶

Соотношение сетевых и несетевых заведений и их распределерие по категориям¶

Топ-15 сетевых заведений по количеству в сети¶

Наибольшее количество заведений - в Центральном административном округе.¶

Распределение средних рейтингов заведений по категориям¶

Распределение количества заведений по улицам¶

Улицы, на которых находится только одно заведение¶

Распределение медианного среднего счёта по округам¶

Исследование данных для определения рекомендаций¶

Рекомендации для открытия нового заведения¶